基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法

该文提出了一种基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法。针对传统基于Hough变换估计方法的不足,在估计过程中引入目标的主轴信息指导方位角的估计。利用基于马尔可夫随机场(MRF)的图像分割提取准确的目标成像轮廓。在此基础上,基于Hough变换检测目标轮廓的直边,基于轮廓特征点检测获得目标主轴的大致方向,结合Hough变换检测结果与目标主轴信息获得最终的方位角估计。实验结果验证了该文方法的有效性。     

基于稀疏先验的SAR图像目标方位角稳健估计方法

稳健的高精度目标方位角估计能有效提高SAR ATR的计算效率和识别性能.SAR图像中目标的近雷达主导边界包含较为精确的目标方位角信息,可用于目标方位角估计.由于目标电磁散射特性以及SAR图像斑点噪声的影响,提取的目标近雷达主导边界很不规则,存在"野值"点.本文根据"野值"点稀疏分布的特性,利用最大后验原理提出了一种稳健的方位角估计方法.该方法能够有效检测和剔除主导边界中的"野值",从而提高目标方位角估计的精度和稳健性.针对仅利用距离主导边界估计带来的目标垂直与水平方位的模糊性,基于分割图像中目标区域长宽比特征提出了一种解模糊的新方法.MSTAR实测数据的实验结果表明提出的算法具有较高的精度与稳健性.     

基于线性回归的SAR目标方位角估计方法

方位角估计是合成孔径雷达(SAR)图像自动目标识别研究中的一个重要问题。一般而言,基于SAR图像的目标方位角估计方法应满足精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。文中在分析现有的SAR图像目标方位角估计方法优缺点的基础上,给出了一种有效的基于线性回归的SAR图像目标方位角估计方法,并通过对大量实测MSTARSAR图像目标方位角的估计试验,详细分析了该方法对SAR图像目标方位角的估计性能。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

SAR图像目标方位角估计方法综述

目标方位角估计是进行SAR图像自动目标识别(ATR)的重要步骤。由于目标SAR图像对目标方位角的敏感性,在目标识别之前进行方位角估计能够提高系统的效率,增强系统的实时性。本文在分析SAR目标模型的基础上,对目标方位角估计算法进行了全面系统的研究,总结了目前存在的目标方位角估计方法的主要研究思路,即:提取目标主轴、提取目标主导边界、最小外接矩形获取,并介绍了有代表性的算法,指出了这些算法的优缺点,展望了今后的发展方向。     

基于双密度双树复数小波变换的合成 孔径雷达图像降噪研究

 针对合成孔径雷达(SAR)图像相干斑噪声抑制问题,本文将双密度双树复数小波变换(DD-DT CWT)结合具有局部方差估计的双变量收缩阈值函数(BSF)构成一种新的SAR图像降噪算法实现合成孔径雷达图像降噪.首先将SAR图像用双密度双树复数小波变换进行多尺度分解,考虑小波系数间的相关性,用双变量概率密度函数作为小波系数及其父代系数的统计关性的模型,并通过Bayesian估计理论导出相应的非线性双变量收缩函数对图像不同方向的小波系数进行非线性自适应的处理,最后重建降噪后的图像.分别用仿真SAR图像和实际图像对算法进行验证,并与其它方法的性能进行比较,对不同算法处理后图像进行了主客观评价,分析结果表明,新算法的去噪效果明显优于传统的小波变换方法,不仅有效实现了图像降噪,而且较好保留了图像细节.含噪SAR图像经该算法处理后,图像性能指标均有提高.     

小波包域值法去除合成孔径雷达图像斑点噪声

合成孔径雷达(SAR)图像的斑点噪声使图像的解译能力明显降低,影响了SAR图像的应用,去除图像斑点噪声是SAR图像处理及应用的前提。去除的方法在图像域有很多,在频率域,也有基于FFT变换和小波变换的许多方法。文中根据沙漠地区的SAR图像的特点,对基于图像域和频率域的几种滤波方法进行了比较,提出了一种基于小波包变换的SAR图像斑点噪声去除方法,结果表明该方法既去除了斑点噪声,又保持了边缘特征信息。     

一种面向方位敏感性的PCA-SVM分类识别方法

研究适用于小样本库的SAR地面目标分类识别方法一直是SAR目标识别领域的热点和难点。针对SAR图像地面目标特征数据维数较高、识别率低下的问题,在分析了SAR地面目标对方位具有敏感性基础上,提出了一种面向方位敏感性的PCA-SVM分类方法,通过在训练SVM分类器中引入方位角信息,使得训练后的SVM分类器对方位角敏感。实验结果表明,与传统的SVM分类方法相比,该方法对SAR图像的地面目标具有较高的分类识别率和运行效率。     

一种改进的基于小波变换的相干斑去噪方法

对于合成孔径雷达(SAR)图像中含有的相干斑噪声的抑制一直是SAR图像处理的热点和难点。相干斑噪声的存在对SAR图像的后续相关的图像处理,例如图像的分割、图像的特征提取以及目标的分类与识别有很大影响。提出了一种基于平稳小波变换的相干斑去噪方法,通过平稳小波变换对图像进行小波分解,对于子图像的高频区域进行阈值分割和双边滤波,利用平稳小波更好的冗余性和平稳不变性更好地去除了SAR图像的相干斑噪声。实验结果表明,这种改进的去噪方法对SAR图像的相干斑噪声抑制有很好的效果,并且尽可能地保留了图像的边缘和纹理细节。     

结合Wedgelet和平稳小波变换的SAR相干斑噪声抑制

针对SAR图像提出一种Wedgelet逼近和平稳小波变换相结合的斑点噪声抑制方法.这种方法充分利用了wedgelet变换具有良好逼近线目标,同时平滑面区域的特性,并结合平稳小波变换较强的保持纹理特征的性质.仿真结果表明,与单纯的平稳小波变换相比,该方法不仅可以有效地抑制图像的斑点噪声,而且在很大程度上保持了图像的边缘及细节特征,具有较好的视觉效果.     

基于ganna分布模型的SAR图像目标识别方法研究

合成孔径雷达目标识别是目前世界上模式识别领域的重点研究课题之一,大体可分为两个部分的识别过程,即对目标姿态角的识别和对目标类型的识别。本文首先介绍了对SAR图像的增强算法,然后通过对基于模板与基于模型的识别方法的比较,将基于Radon变换的目标姿态角识别方法与基于gamma模型的SAR目标类型识别算法相结合,从而提出一种SAR目标识别的综合方法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

基于一维匹配滤波的SAR目标识别

为克服合成孔径雷达(SAR)目标位置和姿态不确定性对识别性能的影响,提出了一种基于一维匹配滤波的SAR目标识别方法。基于姿态估计对目标图像进行预处理,基于一维匹配滤波定义两样本图像间的相似度或距离,并采用最近邻分类器。在MSTAR公开数据集上进行了实验,已知和未知目标姿态情况下的识别率分别达到98.8%和98.2%。实验结果表明,所提出的方法性能优于支持向量机(SVM)方法。     

基于最小熵DCFT的双基地SAR多普勒参数估计

多普勒参数估计是SAR成像技术研究中的一项关键技术,多普勒参数估计精度将直接影响机载双基地SAR系统成像质量,为了实现对感兴趣目标区域有效地成像,需要对回波信号的参数进行准确估计。本文提出基于最小熵的离散调频傅里叶法(DCFT),该方法基于线性调频信号,可同时估计多普勒质心和多普勒斜率,并用RD算法对双基地SAR仿真数据成像,通过仿真验证了该方法的性能。     

一种新的双孔径天线干涉SAR动目标检测方法

提出了一种基于双孔径天线沿航迹向干涉SAR进行动目标检测、测速及定位的新方法.该方法在分析杂波对消必要性的基础上,给出了进行地杂波对消、动目标检测、径向速度分量估计及定位的原理和实现方法.在恒虚警处理后,通过比较杂波对消后的残差图像与原始图像中运动目标和静止目标对消幅度的差异,检测出运动目标.同时,可以利用残差图象中杂波的对消特性进行运动目标径向速度的估算以及目标的定位.这种检测方法具有良好的杂波对消性能,能够完成被地面背景杂波掩盖的运动目标的检测、测速及定位.计算机仿真结果验证了其有效性.     

一种基于误差反向传播优化的多通道SAR相位误差估计方法

方位向多通道合成孔径雷达(SAR)可实现高分辨率宽测绘带成像,准确估计通道间相位误差是保障成像质量的关键。该文提出了基于误差反向传播训练优化的通道相位误差估计方法,该方法根据多通道SAR回波生成的物理过程,构建含有通道间相位误差待估计参数的观测矩阵,通过初始化的通道误差和初始化的目标散射系数参数生成初始化的SAR回波,并计算该回波与多通道SAR实测回波之间的误差,通过深度学习中常用的误差反向传播的方法,不断训练优化上述参数,最终获得通道间相位误差的估计值,同时也得到了对稀疏目标散射系数的估计。该方法基于误差反向传播方法,并将该方法与通道误差的形成原理相结合,在稀疏假设下同时完成了相位估计和成像,为多通道SAR误差估计提供了一种全新的思路。多通道SAR仿真数据验证了该文算法的有效性。      

基于线特征差分投影的空间目标姿态估计方法

空间目标姿态估计是有效实现基于ISAR图像空间目标识别的重要前提。本文针对利用线特征二维投影进行姿态估计时,线特征投影的检测误差会严重影响姿态估计精度这一问题,提出一种基于线特征差分投影的空间目标姿态估计方法。该法利用DP算法检测线特征在ISAR图像中的投影,通过建立线特征在实测ISAR图像和姿态估计值下的仿真图像中的二维差分投影,将线特征投影检测的绝对误差转化成相对误差,有效减小了线特征投影的检测误差对姿态估计的影响;同时,利用差分投影求取姿态估计的修正量,形成姿态估计的优化迭代过程,不断提高姿态估计精度。仿真实验验证了方法的可靠性与有效性。      

基于HOURGLASS网络语义关键点提取的光学图像空间目标姿态估计方法

空间目标姿态估计是有效实现各类航天任务的重要前提,基于空间光学观测图像的目标姿态估计关键一环在于快速准确地建立起观测图像与空间目标之间的“二维特征点-三维实体结构”映射关系。传统的方法往往将这一任务分解为特征提取和特征关联两个步骤序贯进行,然而在空间目标光学观测场景中,高动态的光照变化和目标的相对高速运动特点会显著降低图像特征提取的可靠性,影响后续特征关联匹配的正确率并最终降低对空间目标的姿态估计精度。针对这一问题,本文提出了一种基于语义关键点提取的光学图像空间目标姿态估计方法,利用Hourglass网络端到端地提取包含语义信息的关键点,直接实现了光学图像中二维特征点与目标三维实体结构的关联映射,并在此基础上利用EPnP算法求解待估计的目标姿态值。实验结果表明,本文所提的方法能较好地兼顾算法精度与效率,其在仿真数据集上的姿态估计最小误差为0.83°,且在数据降质的情况下平均误差依然优于传统方法。      

基于视觉的非合作空间目标三维姿态估计方法

基于视觉的非合作空间目标3维姿态估计,关键在于建立观测图像与目标模型的特征关联。当前方法往往通过采用复杂的多维特征、产生候选关联结果的方式确保特征关联的准确性,难以兼顾算法效率。为解决以上问题,该文提出一种结合深度学习技术的姿态估计方法,首先通过深度神经网络得到姿态初值,然后基于姿态初值建立图像和目标模型之间的特征关联,进而求解目标姿态。所提方法中,深度神经网络提供了稳定的姿态初值,缩小了特征关联的候选空间;在姿态初值的支撑下采取了更为高效的特征提取与匹配方法。仿真实验表明,该文方法相比于现有方法更好地兼顾了算法准确率和效率。